Algorithmus zur Priorisierung der Leberzirrhose-Diagnose basierend auf elektronischen Gesundheitsakten.

In dieser Studie nutzen die Forscher moderne Fähigkeiten des maschinellen Lernens im Bereich der Hepatologie, um ein Modell zu entwickeln, das Personen mit hohem Risiko für die Entwicklung einer Leberzirrhose in einem frühen und behandelbaren Stadium priorisieren kann.

Bei einer Leberzirrhose handelt es sich um eine fortgeschrittene Lebererkrankung, die sich meist dann manifestiert, wenn die Leber bereits schwer geschädigt ist, ohne dass es viele Behandlungsmöglichkeiten gibt und die Prognose düster ist.

Derzeit gibt es zwei Möglichkeiten zur Diagnose: Die erste ist eine Leberbiopsie, die kostspielig ist, den Patienten Schmerzen bereitet und ihre eigenen Risiken birgt. Der zweite ist ein spezieller bildgebender Test wie Fibroscan, der sicher und schmerzlos, aber auch zu teuer ist, als es als umfassendes Screening-Tool möglich wäre.

Es wurden bereits Scores entwickelt, die eine höhere Wahrscheinlichkeit für eine Lebererkrankung berechnen, jedoch mit einer geringeren Vorhersagekraft als geeignet, um weitere Untersuchungen zur Erkennung zu rechtfertigen.

Die Studie besteht aus 4 verschiedenen Phasen:

1. Modellentwicklung. Auf der Grundlage elektronischer Gesundheitsakten wird ein maschinelles Lernmodell entwickelt, das die Zeit bis zum Auftreten einer Leberzirrhose-Diagnose vorhersagt. Die Aufzeichnungen werden anonymisiert und alle Arbeiten werden auf einem bestimmten Server ausgeführt.

2. Es werden anonymisierte elektronische Gesundheitsakten mit den neuesten Labortestergebnissen und Diagnosen aus dem Nordbezirk von Clalit Healthcare eingeholt. Auf diesen Aufzeichnungen wird das trainierte Modell aus Phase 1 ausgeführt, um die Zeit bis zum Auftreten eines Ereignisses für die Diagnose einer Leberzirrhose vorherzusagen. Über Vorhersagen werden Einzelpersonen nach Risiko geordnet.

   Über die deanonymisierten Aufzeichnungen, die nur Ärzten zur Verfügung stehen, werden 20 Personen mit dem höchsten Risiko beobachtet. Dazu gehören die Messung der neuesten FIB-4-Werte, die Anzeige früherer Diagnosen und Tests sowie Textinformationen von Ärzten. Diese Personen werden nicht zu einem Besuch eingeladen und nur im Nachhinein anhand ihrer Unterlagen besichtigt.

3. Basierend auf den Ergebnissen aus Phase 2 wird das maschinelle Lernmodell aus Phase 1 überarbeitet. Dazu gehören mögliche Änderungen wie Überarbeitungen der Einschluss-/Ausschlusskriterien, Änderungen von Labortests, die als Eingabe für das Modell dienen usw.
4. Wie in Phase 2 werden aktualisierte anonymisierte elektronische Gesundheitsakten aus dem Nordbezirk von Clalit Healthcare eingeholt. Das aktualisierte Modell aus Phase 3 wird verwendet, um die Zeit bis zum Eintreten eines Ereignisses für die Diagnose einer Leberzirrhose vorherzusagen. Darüber hinaus wird für alle Personen der FIB-4-Score berechnet. Es wird eine Rangliste der Top-Personen mit dem höchsten vom Modell aus Phase 3 vorhergesagten Risiko und der Top-Personen mit dem höchsten FIB-4-Score erstellt. Ungefähr ein Viertel der Personen wird aus der FIB-4-Score-Gruppe stammen, wobei Alter und Geschlecht der Vorhersagegruppe entsprechen. Die Gruppenidentität bleibt den Ärzten unbekannt und es handelt sich um eine doppelblinde Studie. Einzelpersonen werden zu Kontrolluntersuchungen in die Klinik eingeladen. In der Klinik werden die Patienten einem Fibroscan, Größen- und Gewichtsmessungen unterzogen und beantworten den WHO-Fragebogen zur Identifizierung von Alkoholkonsumstörungen (AUDIT). Darüber hinaus werden ihre Dateien innerhalb der elektronischen Gesundheitsakte geöffnet und vorhandene Diagnosen, Labortests und Medikamentenverordnungen gesammelt.